МАШИННЕ НАВЧАННЯ В СПЕКТРОСКОПІЧНОМУ АНАЛІЗІ СЛИНИ: ОЦІНКА ЕФЕКТИВНОСТІ КЛАСТЕРИЗАЦІЇ ТА ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ВИЗНАЧЕННІ РАКУ РОТОВОЇ ПОРОЖНИНИ

Анотація

Рак ротової порожнини (РРП) є серйозною онкологічною проблемою, оскільки його пізнє виявлення значно знижує виживаність пацієнтів. Раман-спектроскопія є перспективним методом неінвазивного скринінгу, проте ефективність її обробки залежить від вибору аналітичного підходу. Неконтрольовані методи кластеризації часто не виявляють чітких груп у спектрах, що обмежує їхню застосовність. Натомість згорткові нейронні мережі (CNN) можуть виявляти приховані патерни у спектральних даних. Мета – оцінити ефективнсть кластеризації та згорткових нейронних мереж у спектроскопічному аналізі слини для скринінгу раку ротової порожнини та визначити оптимальний підхід до класифікації спектрів. Матеріали та методи. Досліджено спектральні дані слини осіб чотирьох груп: здорових, пацієнтів із передраковими станами (лейкоплакія, ліхен-планус) та хворих на рак. Використано методи кластеризації (PCA, t- SNE, K-Means, DBSCAN, GMM, автоенкодер + K-Means) та CNN. Результати. Кластеризація не виявила чітких груп, що підтверджено низькими значеннями ARI (0,02-0,05) та коефіцієнта силуету (~0,1). CNN досягла точності 84,6% та AUC 0,86 при використанні всього спектрального діапазону. Висновки. Неконтрольовані методи є неефективними через високе перекриття спектрів різних груп. Натомість CNN забезпечує високу точність класифікації, що робить її перспективним інструментом для автоматизованого скринінгу РРП.